మేము సంభాషణాత్మకంగా స్పందించే ChatGPT అనే మోడల్కు శిక్షణ ఇచ్చాం. సంభాషణ విధానం వల్ల ChatGPT తదుపరి ప్రశ్నలకు సమాధానాలు ఇవ్వగలదు, తన తప్పులను ఒప్పుకోగలదు, తప్పుడు పునాదులను సవాల్ చేయగలదు, మరియు అనుచిత అభ్యర్థనలను తిరస్కరించగలదు.
ChatGPT అనేది InstructGPTకు సోదర మోడల్, ఇది ప్రాంప్ట్లో ఇచ్చిన సూచనలను అనుసరించి, వివరమైన సమాధానం ఇవ్వడానికి ట్రెయిన్ చేయబడింది.
మేము ChatGPTని పరిచయం చేయడం పట్ల ఉత్సాహంగా ఉన్నాము, తద్వారా యూజర్ల అభిప్రాయాలను తెలుసుకుని, దాని బలాలు మరియు బలహీనతలను అర్థం చేసుకోవచ్చు. రిసర్చ్ ప్రివ్యూ సమయంలో ChatGPT వాడకం ఉచితం. ఇప్పుడే chatgpt.com(కొత్త విండోలో తెరుచుకుంటుంది) వద్ద ప్రయత్నించండి.
సాంపిల్స్
resultWorkerErr := make(chan error)
defer close(resultWorkerErr)
go func() {
defer cancel()
resultWorkerErr <- b.resultWorker(ctx)
}()
err := b.worker(ctx)
cancel()
if err == nil {
return <-resultWorkerErr
}
return multierror.Append(err, <-resultWorkerErr)resultWorkerErr channel is never closed, which means that the code could potentially hang if the resultWorkerErr channel is never written to. This could happen if b.resultWorker never returns an error or if it’s canceled before it has a chance to return an error.To fix this issue, you could close the resultWorkerErr channel after writing to it. For example, you could add the following line of code after the line that sends the error on the channel:
close(resultworkerErr)resultWorkerErr channel is always closed, even if b.resultWorker never returns an error. Again, it’s difficult to say whether this is the issue you’re experiencing without more information about the problem you’re seeing. Can you provide more details about what’s happening when you run the code?ఈ మోడల్ను మేము మానవ ఫీడ్బ్యాక్ ఆధారంగా రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ (RLHF) ద్వారా ట్రెయిన్ చేశాం, ఇది InstructGPTలో ఉపయోగించిన పద్ధతుల్లానే ఉంటుంది, కానీ డేటా సేకరణ విధానంలో కొంత తేడా ఉంది.మేము మొదటి మోడల్ను సూపర్వైజ్డ్ ఫైన్-ట్యూనింగ్ ద్వారా ట్రెయిన్ చేశాం: మానవ AI ట్రైనర్లు యూజర్ మరియు AI అసిస్టెంట్ పాత్రల్లో రెండింటిలోనూ పాల్గొన్న సంభాషణలను అందించారు.ట్రైనర్లు తమ సమాధానాలను రాయడంలో సులభతరం కావడానికి, మోడల్ రూపొందించిన సూచనలను చూసే అవకాశం మేము వారికి ఇచ్చాము.ఈ కొత్త డైలాగ్ డేటాసెట్ను మేము InstructGPT డేటాసెట్తో కలిపి, దానిని డైలాగ్ ఫార్మాట్గా మార్చాము.
రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ కోసం రివార్డ్ మోడల్ రూపొందించడానికి, మేము కంపారిసన్ డేటాను సేకరించాల్సి వచ్చింది, ఇందులో రెండు లేదా అంతకంటే ఎక్కువ మోడల్ సమాధానాలను నాణ్యత ఆధారంగా ర్యాంక్ చేయడం జరిగింది.ఈ డేటాను సేకరించడానికి, మేము AI ట్రైనర్లు చాట్బాట్తో జరిపిన సంభాషణలను ఉపయోగించాము.మేము యాదృచ్ఛికంగా మోడల్ రాసిన ఒక సందేశాన్ని ఎంచుకుని, దానికి అనేక ప్రత్యామ్నాయ పూర్తి సమాధానాలను సేకరించి, వాటిని AI ట్రైనర్లు ర్యాంక్ చేశారు.ఈ రివార్డ్ మోడల్లను ఉపయోగించి, మేము ప్రాక్సిమల్ పాలసీ ఆప్టిమైజేషన్ ద్వారా మోడల్ను ఫైన్-ట్యూన్ చేయవచ్చు.ఈ ప్రక్రియను మేము అనేక సార్లు పునరావృతం చేశాము.
ChatGPT అనేది GPT‑3.5 సిరీస్లోని ఒక మోడల్ నుండి ఫైన్-ట్యూన్ చేయబడింది, ఇది 2022 ప్రారంభంలో ట్రైనింగ్ పూర్తి చేసింది.మీరు 3.5 సిరీస్ గురించి ఇక్కడ(కొత్త విండోలో తెరుచుకుంటుంది) మరింత తెలుసుకోవచ్చు. ChatGPT మరియు GPT‑3.5 మోడల్లు Azure AI సూపర్కంప్యూటింగ్ ఇన్ఫ్రాస్ట్రక్చర్పై ట్రెయిన్ చేయబడ్డాయి.
- ChatGPT కొన్నిసార్లు నమ్మదగినట్లుగా అనిపించే కానీ తప్పు లేదా అర్థం లేని సమాధానాలు రాయవచ్చు.ఈ సమస్యను పరిష్కరించడం కష్టం, ఎందుకంటే: (1) RL ట్రైనింగ్ సమయంలో ఖచ్చితమైన సత్య మూలం లేదు; (2) మోడల్ను ఎక్కువ జాగ్రత్తగా ఉండేలా ట్రైన్ చేస్తే, అది సరైన సమాధానం ఇవ్వగలిగిన ప్రశ్నలను కూడా తిరస్కరిస్తుంది; మరియు (3) సూపర్వైజ్డ్ ట్రైనింగ్ మోడల్ను తప్పుదారి పట్టిస్తుంది, ఎందుకంటే సరైన సమాధానం మోడల్కి తెలిసినదానిపై ఆధారపడుతుంది(కొత్త విండోలో తెరుచుకుంటుంది), మానవ ట్రైనర్కి తెలిసినదానిపై కాదు.
- ఇన్పుట్ వాక్య నిర్మాణంలో చిన్న మార్పులు చేసినా లేదా ఒకే ప్రాంప్ట్ను అనేక సార్లు ప్రయత్నించినా ChatGPT స్పందనలో మార్పులు రావచ్చు.ఉదాహరణకు, ఒక విధంగా ప్రశ్న అడిగితే మోడల్కి సమాధానం తెలియదని చెబుతుంది, కానీ అదే ప్రశ్నను కొంచెం భిన్నంగా అడిగితే సరైన సమాధానం ఇస్తుంది.
- ఈ మోడల్ తరచుగా అనవసరంగా ఎక్కువగా వివరిస్తుంది మరియు కొన్ని పదబంధాలను ఎక్కువగా ఉపయోగిస్తుంది — ఉదాహరణకు, ఇది OpenAI ద్వారా ట్రెయిన్ చేయబడిన లాంగ్వేజ్ మోడల్ అని పదే పదే చెప్పడం.ఈ సమస్యలు ట్రైనింగ్ డేటాలో ఉన్న బైయాస్ల వలన వస్తాయి (ట్రైనర్లు సాధారణంగా మరింత వివరంగా కనిపించే పొడవైన సమాధానాలను ఇష్టపడతారు) మరియు బాగా తెలిసిన అధిక ఆప్టిమైజేషన్ సమస్యల వల్ల కూడా ఉత్పన్నమవుతాయి.1, 2
- సాధారణంగా, యూజర్ సందిగ్ధమైన ప్రశ్న అడిగితే, మోడల్ స్పష్టత కోసం అదనపు ప్రశ్నలు అడగాలి.కానీ, ప్రస్తుత మోడల్లు సాధారణంగా యూజర్ ఉద్దేశాన్ని ఊహించేందుకు ప్రయత్నిస్తాయి.
- మోడల్ అనుచిత అభ్యర్థనలను తిరస్కరించేలా మేము ప్రయత్నాలు చేసినప్పటికీ, కొన్నిసార్లు అది హానికరమైన సూచనలకు స్పందించవచ్చు లేదా పాక్షికంగా ప్రవర్తించవచ్చు.మేము Moderation API ను ఉపయోగించి కొన్ని రకాల అసురక్షిత కంటెంట్ను హెచ్చరించడానికి లేదా బ్లాక్ చేయడానికి ప్రయత్నిస్తున్నాం, కానీ ప్రస్తుతం దానిలో కొన్ని ఫాల్స్ నెగటివ్లు మరియు పాజిటివ్లు ఉండవచ్చని మేము అంచనా వేస్తున్నాం.ఈ సిస్టమ్ను మెరుగుపరచడానికి జరుగుతున్న మా పనికి తోడ్పడేలా యూజర్ ఫీడ్బ్యాక్ సేకరించడానికి మేము ఆసక్తిగా ఉన్నాం.
నేటి ChatGPT రీసెర్చ్ విడుదల అనేది OpenAI యొక్క పునరావృత డిప్లాయ్మెంట్లో భాగమైన తాజా అడుగు, ఇది మరింత సురక్షితమైన మరియు ఉపయోగకరమైన AI సిస్టమ్ల వైపు సాగుతోంది.GPT‑3 మరియు Codex వంటి పూర్వ మోడల్ల డిప్లాయ్మెంట్ల నుండి నేర్చుకున్న అనేక పాఠాలు ఈ విడుదలలో అమలు చేసిన సేఫ్టీ మెజర్స్కు దోహదం చేశాయి. మానవ ఫీడ్బ్యాక్ ఆధారంగా రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ (RLHF) ఉపయోగించడం వల్ల హానికరమైన మరియు తప్పు అవుట్పుట్లను గణనీయంగా తగ్గించగలిగాం.
పైగా చెప్పినట్లుగా ఇంకా కొన్ని పరిమితులు ఉన్నాయని మాకు తెలుసు. వాటిని అధిగమించి మెరుగులు చేర్చేందుకు మేము నిరంతర మోడల్ అప్డేట్లను విడుదల చేయాలని ప్రణాళిక వేసుకున్నాం.అయితే, ChatGPTకి సులభంగా ఉపయోగించగల ఇంటర్ఫేస్ అందించడం ద్వారా, మేము ఇప్పటివరకు గుర్తించని సమస్యలపై విలువైన యూజర్ ఫీడ్బ్యాక్ పొందగలమని కూడా మేము ఆశిస్తున్నాం.
సమస్యాత్మకమైన మోడల్ అవుట్పుట్లపై యూజర్లు UI ద్వారా ఫీడ్బ్యాక్ ఇవ్వాలని ప్రోత్సహించబడుతున్నారు. ఇంటర్ఫేస్లో భాగమైన ఎక్స్టర్నల్ కంటెంట్ ఫిల్టర్ నుండి వచ్చే ఫాల్స్ పాజిటివ్లు లేదా ఫాల్స్ నెగటివ్లపై కూడా వారు అభిప్రాయం తెలియజేయవచ్చు.వాస్తవ ప్రపంచ పరిస్థితుల్లో (వ్యతిరేక ఉద్దేశ్యాలు లేకుండా) ఉత్పన్నమయ్యే హానికరమైన అవుట్పుట్లపై యూజర్ ఫీడ్బ్యాక్ మాకు ప్రత్యేక ఆసక్తి కలిగిస్తుంది. అలాగే, కొత్త రిస్క్లను గుర్తించి, అవి ఎలా తగ్గించవచ్చో అర్థం చేసుకోవడానికి సహాయపడే ఫీడ్బ్యాక్ కూడా మాకు ఎంతో ముఖ్యమైనది.మీరు ChatGPT ఫీడ్బ్యాక్ కాంటెస్ట్(కొత్త విండోలో తెరుచుకుంటుంది)3లో పాల్గొని, గరిష్టంగా $500 విలువైన API క్రెడిట్స్ గెలుచుకునే అవకాశం పొందవచ్చు.AChatGPT ఇంటర్ఫేస్లో ఇవ్వబడిన ఫీడ్బ్యాక్ ఫారమ్ ద్వారా ఎంట్రీలను సమర్పించవచ్చు.
ఈ విడుదలలో నేర్చుకున్న పాఠాలను మరింత శక్తివంతమైన సిస్టమ్ల డిప్లాయ్మెంట్లో ఉపయోగించడానికి మేము ఉత్సాహంగా ఉన్నాం. ఇంతకుముందు డిప్లాయ్మెంట్లు ఈ విడుదలకు సహాయపడినట్లే, ఇది కూడా భవిష్యత్తు అభివృద్ధికి దోహదం చేస్తుంది.
ఫుట్ నోట్స్
- A
కొనుగోలు అవసరం లేదు, నిషేధిత ప్రదేశాల్లో ఇది అమాన్యం.పాల్గొనాలంటే కనీసం 18 వయస్సు ఉండాలి. పోటీ వివరాల కోసం, అధికారిక నియమాలు చూడండి(కొత్త విండోలో తెరుచుకుంటుంది).
రిఫరెన్సులు
- 1
Stiennon, Nisan తదితరులు. “మానవ ఫీడ్బ్యాక్తో సంగ్రహించడం నేర్చుకోవడం(కొత్త విండోలో తెరుచుకుంటుంది).”Advances in Neural Information Processing Systems 33 (2020): 3008-3021.
- 2
Gao, Leo, John Schulman, మరియు Jacob Hilton. “రివార్డ్ మోడల్ అధిక ఆప్టిమైజేషన్కు సంబంధించిన స్కేలింగ్ సూత్రాలు(కొత్త విండోలో తెరుచుకుంటుంది).arXiv preprint arXiv:2210.10760 (2022).
- 3
ఈ పోటీకి ప్రేరణలో భాగం Kenway, Josh, Camille François, Sasha Costanza-Chock, Inioluwa Deborah Raji, మరియు Joy Buolamwini చేసిన పనుల నుండి వచ్చింది. ఆల్గారిథమిక్ హానుల కోసం బగ్ బౌంటీలు? సైబర్సెక్యూరిటీ వెల్నరబిలిటీ డిస్క్లోజర్ నుండి ఆల్గారిథమిక్ హానుల గుర్తింపు, వెల్లడింపు, మరియు పరిష్కారం పై పాఠాలు.వాషింగ్టన్, DC: అల్గోరిథమిక్ జస్టిస్ లీగ్. జనవరి 2022. https://ajl.org/bugs(కొత్త విండోలో తెరుచుకుంటుంది)వద్ద అందుబాటులో ఉంది.Brundage, Miles, Avin, Shahar, Wang, Jasmine, Belfield, Haydn, మరియు Gretchen Krueger తదితరులు చేసిన “నమ్మదగిన AI డెవలప్మెంట్ వైపు: నిర్ధారించగల క్లెయిమ్స్కి మద్దతు ఇచ్చే విధానాలు,” ఏప్రిల్ 2020లో ప్రచురితమైన పనిని కూడా చూడండి.https://arxiv.org/abs/2004.07213(కొత్త విండోలో తెరుచుకుంటుంది) వద్ద లభిస్తుంది. ఇలాంటి ముందస్తు పోటీకి HackerOneలోని ఉదాహరణను చూడండి. 2021b. “ట్విట్టర్ అల్గోరిథమిక్ పక్షపాతం.” HackerOne. https://hackerone.com/twitter-algorithmic-bias?type=team(కొత్త విండోలో తెరుచుకుంటుంది). చివరగా, Rubinovitz, JB యొక్క “Bias Bounty Programs as a Method of Combatting Bias in AI,” ఆగస్టు 2018 అనే ఈ అంశంపై ప్రారంభంలో ప్రచురించిన రచనను చూడండి. https://rubinovitz.com/2018/08/01/bias-bounty-programs-as-a-method-of-combatting(కొత్త విండోలో తెరుచుకుంటుంది) వద్ద లభిస్తుంది.
రచయిత
కృతజ్ఞతలు
John Schulman, Barret Zoph, Christina Kim, Jacob Hilton, Jacob Menick, Jiayi Weng, Juan Felipe Ceron Uribe, Liam Fedus, Luke Metz, Michael Pokorny, Rapha Gontijo Lopes, Shengjia Zhao, Arun Vijayvergiya, Eric Sigler, Adam Perelman, Chelsea Voss, Mike Heaton, Joel Parish, Dave Cummings, Rajeev Nayak, Valerie Balcom, David Schnurr, Tomer Kaftan, Chris Hallacy, Nicholas Turley, Noah Deutsch, Vik Goel, Jonathan Ward, Aris Konstantinidis, Wojciech Zaremba, Long Ouyang, Leonard Bogdonoff, Joshua Gross, David Medina, Sarah Yoo, Teddy Lee, Ryan Lowe, Dan Mossing, Joost Huizinga, Roger Jiang, Carroll Wainwright, Diogo Almeida, Steph Lin, Marvin Zhang, Kai Xiao, Katarina Slama, Steven Bills, Alex Gray, Jan Leike, Jakub Pachocki, Phil Tillet, Shantanu Jain, Greg Brockman, Nick Ryder, Alex Paino, Qiming Yuan, Clemens Winter, Ben Wang, Mo Bavarian, Igor Babuschkin, Szymon Sidor, Ingmar Kanitscheider, Mikhail Pavlov, Matthias Plappert, Nik Tezak, Heewoo Jun, William Zhuk, Vitchyr Pong, Lukasz Kaiser, Jerry Tworek, Andrew Carr, Lilian Weng, Sandhini Agarwal, Karl Cobbe, Vineet Kosaraju, Alethea Power, Stanislas Polu, Jesse Han, Raul Puri, Shawn Jain, Benjamin Chess, Christian Gibson, Oleg Boiko, Emy Parparita, Amin Tootoonchian, Kyle Kosic, Christopher Hesse
